자기유도 연성 석션 디바이스 학습 기반 모델링

초록

본 논문은 4 mm 외경·40 mm 길이의 3D‑프린팅 연성 석션 디바이스에 내장된 FBG 센서를 활용해, 외부 자기장(세기·주파수·거리) 입력을 4개의 베지어 제어점으로 매핑하는 데이터‑드리븐 모델을 제안한다. 랜덤 포레스트가 0.087 mm 평균 RMSE로 가장 높은 정확도를 보였으며, 실시간 서브밀리미터 형태 예측을 가능하게 하여 내시경 내비게이션에 적합한 지능형 제어 기반을 제공한다.

상세 분석

이 연구는 기존 연성 로봇 모델링이 직면한 세 가지 핵심 한계를 체계적으로 해결한다. 첫째, 하이퍼엘라스틱 실리콘(SIL 30)의 물성 파라미터를 직접 측정하기 어려운 점을 데이터‑드리븐 접근으로 회피한다. 5,097개의 실험 데이터를 기반으로 자기장 세기(0–14 mT), 주파수(0.2–1.0 Hz), 전극과의 거리(90–100 mm)라는 세 가지 입력 변수를 베지어 곡선의 네 개 제어점(총 12 자유도)으로 직접 매핑함으로써, 물리적 모델링에 필요한 복잡한 비선형·비균일 토크 분포와 점탄성 효과를 암묵적으로 학습한다. 둘째, 베지어 제어점이라는 저차원 파라미터화는 형태 재구성을 부드럽고 연속적으로 유지하면서도 실시간 연산이 가능한 형태를 제공한다. 이는 기존의 상수 곡률(constant‑curvature) 혹은 코스테라트(Cosserat) 기반 모델이 요구하는 고차원 미분 방정식 풀이와 비교해 계산 부하를 크게 감소시킨다. 셋째, 모델 비교에서 랜덤 포레스트가 신경망보다 우수한 성능을 보인 점은 입력 변수와 출력 형태 사이의 비선형 관계가 비교적 제한된 차원(3 → 12)임을 시사한다. 트리 기반 앙상블은 변수 중요도 해석을 통해 자기장 성분이 원위 제어점에, 주파수와 거리 변수가 기저 부위에 미치는 영향을 정량화했으며, 이는 향후 제어 전략 설계에 직접 활용될 수 있다. 또한, FBG 센서가 제공하는 실시간 곡률 데이터와 학습 모델을 결합함으로써, 외부 자기장 제어와 내부 형태 피드백을 동시에 고려한 폐쇄‑루프 제어가 가능해진다. 이러한 통합 프레임워크는 미세 혈관·시신경 등 고위험 부위를 포함하는 내시경 내비게이션에서 1 mm 이하의 위치 오차를 보장할 수 있어, 현재 내시경 수술에서 가장 큰 제약 중 하나인 기구의 강직성·제어 불확실성을 크게 완화한다. 마지막으로, 이 접근법은 다른 자기유도 연성 연속 로봇(예: 자가‑스테어링 카테터, 마이크로‑스코프)에도 동일한 베지어 파라미터화와 학습 파이프라인을 적용할 수 있어, 범용적인 소프트 로봇 제어 플랫폼으로 확장 가능성을 제시한다.